Use Case Bilderkennung

Fragestellung

Im Karosserie- und Fahrzeugbau wird eine Vielzahl von Werkstücken mittels Lötstellen verbunden. Lötstellen sind mangelhaft, wenn sie beispielsweise Brüche oder Poren enthalten. Die Tauglichkeit von Lötstellen kann weitestgehend optisch beurteilt werden. Kann die Bewertung von Bildaufnahmen der Lötstellen ausreichend gut und ausreichend schnell mittels künstlicher Intelligenz vorgenommen werden? Zu beachten ist, dass in den Trainingsbildern für die Bildklassifizierung defekte Lötstellen klar unterrepräsentiert sind im Vergleich zu qualitativ hochwertigen Lötstellen.

Lösung

Die Bilder der Lötstellen werden geeignet zugeschnitten und zentriert. Mittels geeigneter Data Augmentation wird der unausgewogene (imbalanced) Datensatz angereichert. Ein neuronales Netz wird auf dem Trainingsdatensatz trainiert, welches Lötstellen aufgrund der Bilder in verschiedene Kategorien klassifiziert (“gut”, “enthält Bruch”, “enthält Poren”, “enthält Spanreste”, …). Die auf diese Weise erzeugte künstliche Intelligenz wird in Form eines eingebetteten Systems (embedded system) zusammen mit einer Kameralösung unmittelbar in den Produktionsprozess eingebunden. Das Gesamtsystem ist derart konstruiert, dass Expertenfeedback bzgl. Klassifikationen und Kategorien einbezogen werden kann, und auf diese Weise ein sich sukzessive verbesserndes, selbstlernendes System entsteht.

Benefits

• Zeitersparnis bei Qualitätschecks
• Einsparung von Produktionskosten
• Qualitätssteigerung in der Produktion durch Vermeidung menschlicher Fehler und Versäumnisse bei monotonen Aufgaben

Um eine ausführliche Demo unserer Lösung kennenzulernen, kontaktieren Sie uns gerne über untenstehendes Kontaktformular.